从头开始搭建爬虫环境

第一步：安装虚拟环境

• dirname 需自定义名称

# 安装虚拟环境
>> pip install virtualenvwrapper-win
# 新建虚拟环境
>> mkvirtualenv dirname
# 退出虚拟环境
>> deactivate
# 查看当前全部的虚拟环境
>> workon
# 进入某个虚拟环境
>> workon dirname
# 设置虚拟环境默认存放位置
>> 在环境变量中新建一个变量：WORKON_HOME，指定路径便可
复制代码

第二步：新建虚拟环境

个人当前环境默认为python3,因此新建python3的虚拟环境不用指明python的路径

# 新建python3虚拟环境
>> mkvirtualenv dirname
复制代码

第三步：安装其余依赖包

# 安装scripy
>> pip3 install scrapy
# 安装pymysql
>> pip3 install pymysql
# 安装pymongo
>> pip3 install pymongo
复制代码

错误一

安装Scrapy时报错Failed building wheel for Twisted

解决方案

点这里,去下载相应版本的twisted安装便可

>> pip install Twisted-18.9.0-cp37-cp37m-win_amd64.whl
复制代码

错误二

ModuleNotFoundError: No module named 'win32api'

解决方案

>> pip3 install pywin32
复制代码

第四步：建立一个Scrapy项目而且链接数据库

1.建立项目Test

scrapy startproject Test

复制代码

2.建立爬虫文件test

>> cd Test
>> cd Test
>> scrapy genspider test www.baidu.com
复制代码

3.在pipelines.py中建立2个类(mysql和mongo)

settings.py文件中的变量定义

# mongo相关变量
MONGODB_HOST = '127.0.0.1'
MONGODB_PORT = 27017
MONGODB_DB = 'Tencent'
MONGODB_SET = 'jobs'

## mysql相关变量
MYSQL_HOST = 'localhost'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PWD = '123456'
MYSQL_DB = 'Tencent'
复制代码

pipelines.py文件

# 这里的数据库文件相关的配置变量都定义在settings.py里面
from Test.settings import *
import pymongo
import pymysql
class mongoPipeline(object):
    def __init__(self):
        # 建立链接对象
        self.conn = pymongo.MongoClient(host=MONGODB_HOST, port=MONGODB_PORT)
        # 建立库对象
        self.db = self.conn[MONGODB_DB]
        # 建立集合对象
        self.myset = self.db[MONGODB_SET]

    def process_item(self, item, spider):
        # 把一个item转换为字段数据类型
        d =dict(item)
        self.myset.insert_one(d)

        return item

class MysqlPipeline(object):
    def __init__(self):
        self.db = pymysql.connect(
            host=MYSQL_HOST,
            port = MYSQL_PORT,
            user = MYSQL_USER,
            password = MYSQL_PWD,
            database = MYSQL_DB
        )
        self.cursor = self.db.cursor()

    def process_item(self, item, spider):
        ins = 'insert into jobs(career,type,number,address,time,link) values(%s,%s,%s,%s,%s,%s)'
        L = [
            item['career'],
            item['type'],
            item['number'],
            item['address'],
            item['time'],
            item['link']

        ]
        self.cursor.execute(ins,L)
        self.db.commit()
        return item

    def close_spider(self,spider):
        self.cursor.close()
        self.db.close()
        print("Mysql 数据库断开链接")
复制代码

4.在settings.py中设置好3个管道

ITEM_PIPELINES = {
    'Test.pipelines.TestPipeline': 300,
    'Test.pipelines.MongoPipeline':250,
    'Test.pipelines.MysqlPipeline':200
}
复制代码

5.在settings.py中设置好相关选项

# 是否遵照robots协议
ROBOTSTXT_OBEY = False
# headers定义
DEFAULT_REQUEST_HEADERS = {
    "User-Agent": "Molliza/5.0",
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'en',
}
# 日志级别的定义
LOG_LEVEL = "WARNING"
复制代码